“Створюйте там, куди рухається індустрія, а не там, де вона є”. Ця мантра десятиліттями стимулювала проривні інновації – Microsoft заробила на мікропроцесорах, Salesforce використовувала хмарні технології, а Uber процвітав завдяки мобільній революції.
Цей же принцип застосовується і до штучного інтелекту – генеративний ШІ розвивається настільки стрімко, що побудова на сьогоднішніх можливостях ризикує застаріти. Історично склалося так, що Web3 відігравав незначну роль у цій еволюції ШІ. Але чи зможе він адаптуватися до останніх тенденцій, що змінюють індустрію?
2024 рік став ключовим для генеративного ШІ завдяки революційним дослідженням та інженерним досягненням. Це також був рік, коли розповідь про Web3-AI перейшла від спекулятивного ажіотажу до проблисків реальної корисності. У той час як перша хвиля ШІ оберталася навколо мега-моделей, довгих циклів навчання, величезних обчислювальних кластерів і глибоких корпоративних кишень, що робило їх в основному недоступними для Web3, новіші тенденції 2024 року відкривають двері для повноцінної інтеграції Web3.
На фронті Web3-AI в 2024 році переважали спекулятивні проекти, такі як засновані на мемах агентські платформи, які відображали бичачі ринкові настрої, але пропонували мало користі в реальному світі. У міру того, як цей ажіотаж згасає, з’являється вікно можливостей для переорієнтації на реальні кейси використання. Ландшафт генеративного ШІ 2025 року кардинально відрізнятиметься від попереднього, з трансформаційними зрушеннями в дослідженнях і технологіях. Багато з цих змін можуть прискорити впровадження Web3, але тільки в тому випадку, якщо галузь буде будувати майбутнє.
Давайте розглянемо п’ять ключових тенденцій, що формують штучний інтелект, і потенціал, який вони представляють для Web3.
Мислення стало наступною межею для великих мовних моделей (LLM). Останні моделі, такі як GPT-01, DeepSeek R1 і Gemini Flash, ставлять можливості міркування в основу своїх удосконалень. Функціонально міркування дозволяє ШІ розбивати складні завдання виведення на структуровані, багатокрокові процеси, часто використовуючи методи “ланцюжка думок” (Chain of Thought, CoT). Подібно до того, як виконання інструкцій стало стандартом для LLM, міркування незабаром стане базовою здатністю для всіх основних моделей.
Аргументація передбачає складні робочі процеси, які вимагають відстеження та прозорості – область, де Web3 є найкращою. Уявіть собі статтю, створену штучним інтелектом, де кожен крок міркувань перевіряється в ланцюжку, забезпечуючи незмінний запис його логічної послідовності. У світі, де контент, створений штучним інтелектом, домінує над цифровою взаємодією, такий рівень доказовості може стати фундаментальною потребою. Web3 може забезпечити децентралізований, ненадійний рівень для перевірки шляхів міркувань ШІ, заповнюючи критичну прогалину в сучасній екосистемі ШІ.
Ключовим фактором, що забезпечує просунуті міркування, є синтетичні дані. Такі моделі, як DeepSeek R1, використовують проміжні системи (наприклад, R1-Zero) для генерації високоякісних наборів даних міркувань, які потім використовуються для точного налаштування. Такий підхід зменшує залежність від реальних наборів даних, прискорюючи розробку моделі та підвищуючи її надійність.
Синтетична генерація даних – це завдання, яке добре розпаралелюється, ідеально підходить для децентралізованих мереж. Фреймворк Web3 міг би стимулювати вузли надавати обчислювальну потужність для генерації синтетичних даних, отримуючи винагороду на основі використання набору даних. Це може сприяти розвитку децентралізованої економіки даних ШІ, в якій синтетичні набори даних будуть використовуватись як для моделей ШІ з відкритим кодом, так і для пропрієтарних моделей ШІ.
Ранні моделі ШІ покладалися на масивні робочі навантаження для попереднього навчання, що вимагали тисяч графічних процесорів. Однак такі моделі, як GPT-01, змістили акцент на навчання в середині та після навчання, уможливлюючи більш спеціалізовані можливості, такі як просунуті міркування. Цей зсув кардинально змінює обчислювальні вимоги, зменшуючи залежність від централізованих кластерів.
У той час як попереднє навчання вимагає централізованих ферм графічних процесорів, пост-навчання може бути розподілене по децентралізованим мережам. Web3 може сприяти децентралізованому вдосконаленню моделі ШІ, дозволяючи учасникам надавати обчислювальні ресурси в обмін на управління або фінансові стимули. Цей зсув демократизує розробку ШІ, роблячи децентралізовані навчальні інфраструктури більш життєздатними.
Дистиляція – процес, в якому великі моделі використовуються для навчання менших, спеціалізованих версій, – набуває все більшого поширення. Провідні сімейства АІ, такі як Llama, Gemini, Gemma і DeepSeek, тепер включають дистильовані варіанти, оптимізовані для підвищення ефективності, що дозволяє їм працювати на звичайному обладнанні.
Дистильовані моделі досить компактні, щоб працювати на графічних або навіть центральних процесорах споживчого класу, що робить їх ідеальним рішенням для децентралізованих мереж виведення. Можуть з’явитися ринки ШІ-висновків на основі Web3, на яких вузли надаватимуть обчислювальну потужність для виконання легких, дистильованих моделей. Це дозволило б децентралізувати висновок ШІ, зменшивши залежність від хмарних провайдерів і відкривши нові токенізовані структури стимулювання для учасників.
Однією з найбільших проблем генеративного ШІ є оцінка. Багато моделей найвищого рівня ефективно запам’ятовують існуючі галузеві бенчмарки, що робить їх ненадійними для оцінки реальної продуктивності. Коли ви бачите, що модель демонструє надзвичайно високі результати на певному тесті, це часто пояснюється тим, що цей тест був включений у навчальну базу моделі. На сьогоднішній день не існує надійних механізмів для перевірки результатів оцінки моделей, що змушує компанії покладатися на цифри, які вони самі вказують в технічних документах.
Криптографічні докази на основі блокчейну можуть внести радикальну прозорість в оцінки ШІ. Децентралізовані мережі можуть перевіряти продуктивність моделі за допомогою стандартизованих тестів, зменшуючи залежність від неперевірених корпоративних заяв. Крім того, стимули Web3 можуть сприяти розробці нових стандартів оцінювання, керованих спільнотою, що підніме підзвітність ШІ на нові висоти.
Генеративний ШІ переживає зміну парадигми. На шляху до штучного загального інтелекту (ШІ) більше не домінують виключно монолітні моделі з тривалими циклами навчання. Нові прориви – такі як архітектури, керовані міркуваннями, інновації в галузі синтетичних наборів даних, оптимізація після навчання та дистиляція моделей – децентралізують робочі процеси ШІ.
Web3 був практично відсутній у першій хвилі генеративного ШІ, але ці нові тенденції відкривають нові можливості, де децентралізовані архітектури можуть принести реальну користь. Вирішальне питання зараз полягає в тому, чи зможе Web3 рухатися досить швидко, щоб скористатися цим моментом і стати релевантною силою в революції ШІ?